一種連續(xù)高精度的高爐料位實(shí)時(shí)檢測方法
【專利摘要】本發(fā)明公開了一種連續(xù)高精度的高爐料位實(shí)時(shí)檢測方法，該方法以劃分時(shí)間段的方式對現(xiàn)有的雷達(dá)檢測數(shù)據(jù)與機(jī)械探尺檢測數(shù)據(jù)進(jìn)行樣本選取，采用一種混合模糊聚類算法完成了雷達(dá)數(shù)據(jù)樣本的聚類；通過智能方法獲取雷達(dá)和機(jī)械探尺檢測數(shù)據(jù)的關(guān)系模型，在此基礎(chǔ)上構(gòu)建滑動(dòng)窗口模型對現(xiàn)有雷達(dá)檢測數(shù)據(jù)進(jìn)行處理，獲得了高爐實(shí)時(shí)精確的料位信息，在現(xiàn)有雷達(dá)和機(jī)械探尺檢測裝備的基礎(chǔ)上實(shí)現(xiàn)了高爐實(shí)時(shí)料位信息的連續(xù)高精度檢測。本發(fā)明的方法克服了機(jī)械探尺無法連續(xù)測量以及雷達(dá)精度不高的雙向缺點(diǎn)，充分利用高爐現(xiàn)有的檢測設(shè)備，具有投資成本少、檢測精度高、實(shí)時(shí)性好等特點(diǎn)。
【專利說明】一種連續(xù)高精度的高爐料位實(shí)時(shí)檢測方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及高爐檢測【技術(shù)領(lǐng)域】，更具體涉及一種連續(xù)高精度的高爐料位實(shí)時(shí)檢測方法。
【背景技術(shù)】
[0002]鋼鐵工業(yè)是國民經(jīng)濟(jì)基礎(chǔ)工業(yè)之一，高爐冶煉作為鋼鐵生產(chǎn)過程的上游工序，是能耗最大的環(huán)節(jié)。高爐料位是高爐布料操作中一個(gè)重要的調(diào)控參數(shù)，料位過高，可能導(dǎo)致溜槽下行受阻，不能正常布料；料位過低，又會使?fàn)t頂溫度升高，影響安全生產(chǎn)。此外，料位的高低直接影響著料面形狀的分布。實(shí)時(shí)準(zhǔn)確地獲取高爐料位參數(shù)，有利于高爐合理布料，及時(shí)調(diào)控煤氣流分布，保證爐頂布料操作的安全性，對于提高高爐產(chǎn)量，降低能耗，減少爐壁損耗，保證高爐順行有著重要作用。
[0003]高爐料位的檢測方法可分為兩大方向，一是利用測距裝置直接對料位進(jìn)行測量，目前主要有:機(jī)械探尺測量法、雷達(dá)測量法、激光測量法；二是利用其它參量間接推測料位，包括:紅外成像法、視頻監(jiān)控法、布料模型計(jì)算法等。
[0004]機(jī)械探尺測量法是利用機(jī)械探尺在高爐內(nèi)對料面進(jìn)行直接接觸式測量，使用穩(wěn)定，可靠度高；但機(jī)械探尺測量時(shí)間間隔長，不能實(shí)現(xiàn)連續(xù)測量，且布料時(shí)無法測量料面。雷達(dá)測量法是利用電磁波測距原理進(jìn)行非接觸式測量，連續(xù)實(shí)時(shí)性很好，且能很好地克服黑暗等爐內(nèi)不利因素；但雷達(dá)測量點(diǎn)直徑過大，所得數(shù)據(jù)是微波覆蓋面積的平均值，造成數(shù)據(jù)精度不高，而且雷達(dá)設(shè)備成本極高，不易維護(hù)。激光測量法是利用激光測距技術(shù)對高爐料面進(jìn)行掃描，開爐試驗(yàn) 中效果較好，但高爐正常運(yùn)行時(shí)受爐內(nèi)粉塵、水霧等惡劣環(huán)境干擾很大。
[0005]紅外線成像和視頻監(jiān)控都是利用攝像頭對高爐料面進(jìn)行拍攝，將數(shù)字圖像或紅外圖像顯示在電腦終端，此類方法只能定性觀察爐料的分布，無法得到準(zhǔn)確的料位信息。布料模型計(jì)算法利用數(shù)學(xué)建模的方法推算擬合出料面信息，此種方法成本低，但由于爐內(nèi)影響因素復(fù)雜多變，數(shù)學(xué)模型難以精確模擬真實(shí)爐況，此種方法可靠性低。
[0006]相關(guān)工作人員在高爐料位測試方面做了大量工作，相關(guān)專利包括:專利號CN202322889U，名稱為一種改進(jìn)的高爐料線探測裝置。該專利提供了一種改進(jìn)的高爐料線探測裝置，利用重力原理接觸式測量料線，不受機(jī)械傳動(dòng)阻力的影響，檢測值準(zhǔn)確；但該專利提供的料線探測裝置仍然和傳統(tǒng)機(jī)械探尺一樣，具有檢測時(shí)間長、需要回避布料料流、無法連續(xù)測量的問題。
[0007]專利號CN201589640U，名稱為高爐爐內(nèi)物位檢測裝置。該專利利用雷達(dá)測距原理對高爐爐內(nèi)物位進(jìn)行檢測，通過導(dǎo)波管將雷達(dá)波傳入高爐內(nèi)部，可以實(shí)現(xiàn)連續(xù)性測量；但該專利中的雷達(dá)裝置仍然具有測量點(diǎn)直徑較大，只能得到雷達(dá)波覆蓋面的平均料位高度的特點(diǎn)；且無法避免非接觸式測量所帶來的檢測精度受限、檢測信息易被噪聲污染等問題。
[0008]專利號CN103045785A，名稱為一種在線測量高爐料面的方法和系統(tǒng)。該專利利用一臺激光測距儀和一個(gè)測距旋轉(zhuǎn)裝置對高爐料面進(jìn)行測距，獲得料面的坐標(biāo)，進(jìn)而連線形成物料的輪廓線。該專利仍然沒有解決高爐內(nèi)部高溫多粉塵的惡劣條件對激光測量影響的問題，并且旋轉(zhuǎn)裝置機(jī)構(gòu)復(fù)雜，維護(hù)成本高。
[0009]專利號CN102409123A，名稱為一種基于多源異構(gòu)數(shù)據(jù)融合的高爐料面成像系統(tǒng)。該專利對比了多種專利方法后，提出了一種采用多種傳感器數(shù)據(jù)相融合來重構(gòu)高爐料面形狀的方法，通過多個(gè)雷達(dá)、機(jī)械探尺獲取高爐料位高度信息，通過十字測溫儀獲取高爐溫度信息，再利用數(shù)據(jù)融合方法將高爐高度信息和溫度信息相融合獲得料面形狀。該專利雖然采用了多源數(shù)據(jù)融合的方法，但只涉及高爐高度信息和溫度信息的融合。并且，目前高爐中十字測溫儀的溫度信息無法準(zhǔn)確反映料面情況，只能用作定性參考指標(biāo)，故用溫度信息擬合的料面形狀精度不高。此外，該專利雖然在機(jī)械探尺外用到了雷達(dá)來共同建立高爐三維高度曲面，但其雷達(dá)只是單純的增加了料位檢測點(diǎn)，并未單獨(dú)考慮雷達(dá)和機(jī)械探尺各自的信息特征，仍未能解決雷達(dá)檢測的料位數(shù)據(jù)不精確以及機(jī)械探尺檢測的料位數(shù)據(jù)無法連續(xù)的問題。該專利需使用多臺雷達(dá)，存在設(shè)備成本高、不易安裝維護(hù)的問題。[0010]綜上所述，現(xiàn)有的各種高爐料位檢測方法，無法同時(shí)實(shí)現(xiàn)連續(xù)測量和高精度測量。
【發(fā)明內(nèi)容】
[0011](一)要解決的技術(shù)問題
[0012]本發(fā)明要解決的技術(shù)問題是如何在保證高爐位料測量精度的前提下實(shí)現(xiàn)連續(xù)測量。
[0013](二)技術(shù)方案
[0014]為了解決上述技術(shù)問題，本發(fā)明提供了一種連續(xù)高精度的高爐料位實(shí)時(shí)檢測方法，所述方法包括以下步驟:
[0015]S1、根據(jù)高爐布料工藝以劃分時(shí)間段的方式對現(xiàn)有的雷達(dá)檢測數(shù)據(jù)以及機(jī)械探尺檢測數(shù)據(jù)進(jìn)行樣本選取，得到雷達(dá)數(shù)據(jù)樣本以及機(jī)械探尺數(shù)據(jù)樣本，所述雷達(dá)數(shù)據(jù)樣本以及機(jī)械探尺數(shù)據(jù)樣本組成數(shù)據(jù)樣本；對選取的數(shù)據(jù)樣本進(jìn)行預(yù)處理，得到用于數(shù)據(jù)融合的訓(xùn)練樣本；
[0016]S2、采用混合模糊聚類算法，對所述步驟SI中的雷達(dá)數(shù)據(jù)樣本進(jìn)行聚類分析處理，得到所述雷達(dá)數(shù)據(jù)樣本的聚類中心；
[0017]S3、選取RBF神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)及建模方法，根據(jù)所述步驟S2中得到的聚類中心以及所述步驟Si中得到的訓(xùn)練樣本，建立雷達(dá)和機(jī)械探尺檢測數(shù)據(jù)的關(guān)系模型；
[0018]S4、利用所述驟S3中確定的雷達(dá)和機(jī)械探尺檢測數(shù)據(jù)的關(guān)系模型，構(gòu)建滑動(dòng)窗口模型，對現(xiàn)有雷達(dá)檢測數(shù)據(jù)進(jìn)行處理，獲得高爐連續(xù)高精度的料位信息。
[0019]優(yōu)選地，所述步驟SI具體包括以下步驟:
[0020]S11、對雷達(dá)檢測數(shù)據(jù)和機(jī)械探尺檢測數(shù)據(jù)剔除噪聲較大的數(shù)據(jù)段，選取工況穩(wěn)定的數(shù)據(jù)段作為數(shù)據(jù)樣本源；
[0021]S12、根據(jù)高爐布料和等待時(shí)的料位變化特征，對所述步驟Sll數(shù)據(jù)樣本源中的雷達(dá)檢測數(shù)據(jù)按布料批次進(jìn)行時(shí)間段劃分，選取同一時(shí)間段內(nèi)的N個(gè)雷達(dá)檢測數(shù)據(jù)作為雷達(dá)數(shù)據(jù)樣本；
[0022]S13、選取與所述步驟S12中雷達(dá)數(shù)據(jù)樣本對應(yīng)時(shí)間段內(nèi)的機(jī)械探尺檢測數(shù)據(jù)，作為機(jī)械探尺數(shù)據(jù)樣本，同時(shí)作為該雷達(dá)數(shù)據(jù)樣本的目標(biāo)輸出值；雷達(dá)數(shù)據(jù)樣本和目標(biāo)輸出值構(gòu)成用于數(shù)據(jù)融合的訓(xùn)練樣本。
[0023]優(yōu)選地，所述步驟S2具體包括以下步驟:
[0024]S21、將傳統(tǒng)的硬聚類算法和模糊聚類算法進(jìn)行混合，構(gòu)建出混合模糊聚類算法的目標(biāo)函數(shù):
[0025]
【權(quán)利要求】
1.一種連續(xù)高精度的高爐料位實(shí)時(shí)檢測方法，其特征在于，所述方法包括以下步驟: S1、根據(jù)高爐布料工藝以劃分時(shí)間段的方式對現(xiàn)有的雷達(dá)檢測數(shù)據(jù)以及機(jī)械探尺檢測數(shù)據(jù)進(jìn)行樣本選取，得到雷達(dá)數(shù)據(jù)樣本以及機(jī)械探尺數(shù)據(jù)樣本，所述雷達(dá)數(shù)據(jù)樣本以及機(jī)械探尺數(shù)據(jù)樣本組成數(shù)據(jù)樣本；對選取的數(shù)據(jù)樣本進(jìn)行預(yù)處理，得到用于數(shù)據(jù)融合的訓(xùn)練樣本； S2、采用混合模糊聚類算法，對所述步驟SI中的雷達(dá)數(shù)據(jù)樣本進(jìn)行聚類分析處理，得到所述雷達(dá)數(shù)據(jù)樣本的聚類中心； S3、選取RBF神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)及建模方法，根據(jù)所述步驟S2中得到的聚類中心以及所述步驟SI中得到的訓(xùn)練樣本，建立雷達(dá)和機(jī)械探尺檢測數(shù)據(jù)的關(guān)系模型； S4、利用所述驟S3中確定的雷達(dá)和機(jī)械探尺檢測數(shù)據(jù)的關(guān)系模型，構(gòu)建滑動(dòng)窗口模型，對現(xiàn)有雷達(dá)檢測數(shù)據(jù)進(jìn)行處理，獲得高爐連續(xù)高精度的料位信息。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟SI具體包括以下步驟: S11、對雷達(dá)檢測數(shù)據(jù)和機(jī)械探尺檢測數(shù)據(jù)剔除噪聲較大的數(shù)據(jù)段，選取工況穩(wěn)定的數(shù)據(jù)段作為數(shù)據(jù)樣本源； S12、根據(jù)高爐布料和等待時(shí)的料位變化特征，對所述步驟Sll數(shù)據(jù)樣本源中的雷達(dá)檢測數(shù)據(jù)按布料批次進(jìn)行時(shí)間段劃分，選取同一時(shí)間段內(nèi)的N個(gè)雷達(dá)檢測數(shù)據(jù)作為雷達(dá)數(shù)據(jù)樣本； S13、選取與所述步驟S12中雷達(dá)數(shù)據(jù)樣本對應(yīng)時(shí)間段內(nèi)的機(jī)械探尺檢測數(shù)據(jù)，作為機(jī)械探尺數(shù)據(jù)樣本，同時(shí)作為該雷達(dá)數(shù)據(jù)樣本的目標(biāo)輸出值；雷達(dá)數(shù)據(jù)樣本和目標(biāo)輸出值構(gòu)成用于數(shù)據(jù)融合的訓(xùn)練樣本。
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟S2具體包括以下步驟: S21、將傳統(tǒng)的硬聚類算法和模糊聚類算法進(jìn)行混合，構(gòu)建出混合模糊聚類算法的目標(biāo)函數(shù):
4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟S3具體包括以下步驟:S31、確定RBF神經(jīng)網(wǎng)絡(luò)基函數(shù)結(jié)構(gòu)； S32、將所述步驟S2得到的聚類中心vi作為所述RBF神經(jīng)網(wǎng)絡(luò)的基函數(shù)中心Ci； S33、引入隸屬度選擇閾值，對各類里的樣本重新篩選； S34、利用所述步驟S32得到的基函數(shù)中心Ci以及所述步驟S33篩選出的樣本，計(jì)算出RBF神經(jīng)網(wǎng)絡(luò)的基函數(shù)方差σ i ; S35、利用步驟SI得到的訓(xùn)練樣本、所述步驟S32得到的基函數(shù)中心Ci以及所述步驟S34得到的基函數(shù)方差σ i求解RBF神經(jīng)網(wǎng)絡(luò)隱含層到輸出層的權(quán)值Wi，建立雷達(dá)和機(jī)械探尺檢測數(shù)據(jù)的關(guān)系模型；其中所述模型的輸入維數(shù)為雷達(dá)數(shù)據(jù)樣本寬度N，輸出維數(shù)為I。
5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟S4具體包括以下步驟: S41、以步驟S3中得到的關(guān)系模型的輸入維數(shù)作為數(shù)據(jù)選取窗口的長度； S42、選取一組高爐雷達(dá)實(shí)時(shí)檢測數(shù)據(jù)作為一組輸入數(shù)據(jù)，輸入到所述步驟S3得到的關(guān)系模型，把模型輸出值作為與輸入數(shù)據(jù)相對應(yīng)的某一時(shí)刻的料位值； S43、將數(shù)據(jù)選取窗口在雷達(dá)實(shí)時(shí)檢測數(shù)據(jù)上向前滑動(dòng)一個(gè)時(shí)刻； S44、重復(fù)所述步驟S42~S43，獲取下一時(shí)刻的高爐料位值。
【文檔編號】C21B7/24GK103834758SQ201410097218
【公開日】2014年6月4日 申請日期:2014年3月14日 優(yōu)先權(quán)日:2014年3月14日
【發(fā)明者】蔣朝輝, 李晞月, 桂衛(wèi)華, 陳致蓬, 陽春華, 謝永芳 申請人:中南大學(xué)